用lstm模型做预测_1-基于LSTM-GA 的股票价格涨跌预测模型

最新推荐文章于 2024-09-01 21:39:37 发布

maX Zero

最新推荐文章于 2024-09-01 21:39:37 发布

阅读量4.5k

点赞数

文章标签：用lstm模型做预测

本文链接：https://blog.csdn.net/weixin_35802555/article/details/112613384

版权

本文提出了一个结合LSTM神经网络和遗传算法的股票预测模型，用于预测股票价格涨跌。通过遗传算法优化LSTM的参数设置，改善了单一LSTM模型在股票预测中的局限性，实验表明，该模型在中证500股票数据上的预测效果优于单独使用LSTM。

摘要由CSDN通过智能技术生成

摘要

如何准确地进行股票预测一直是量化金融领域的重要问题。长短期记忆细胞神经网络（ＬＳＴＭ）的出现较好地解决了股票预测这类的复杂序列化数据学习的问题。然而前期研究结果表明单一使用该方法仍存在预测不平衡、陷入局部极值导致能力不佳的问题。基于上述问题，文中利用将遗传算法（ＧＡ）解决调参问题来保证模型预测的平衡性，由此构建了新型股票预测模型。该模型分为三部分，首先利用ＬＳＴＭ网络进行收盘价的预测，再利用基于遗传算法的判别机制，最终获取下一刻股票的涨跌信号。这一模型不同于先前的研究，主要针对ＬＳＴＭ模型的输出模块进行了改进。文中使用了中证５００的日内分钟数据进行测试验证。实验得出，改进模型的各方面指标均优于单独的ＬＳＴＭ模型。

１引言

股票市场的预测一直备受关注，然而由于其固有的噪声环境和相对于市场趋势的较大波动性，其掣肘因素特别多，因此该过程非常复杂。以往股票市场预测技术大致可分为基于预测的技术和基于聚类的技术两大类。本文主要讨论基于预测技术的股票价格预测问题。目前针对股票价格预测的研究有人工神经网络（ＡＮＮ）、支持向量机（ＳＶＭ）、时间序列模型、基于模糊的技术和随机性来优化定价模型等方法。

在前人工作中，人工神经网络（ＡＮＮ）已被证实善于处理复杂关系问题，但是神经网络的测试和训练速度较慢。此外，过度拟合、陷入局